تحلیل فضایی مخاطرات محیطی، جلد ۱۱، شماره ۳، صفحات ۰-۰
عنوان فارسی آشکارسازی پهنه های سیلابی و تعیین مساحت اراضی تحت خسارت سیلاب با استفاده از الگوریتم های یادگیری ماشین و سنجش از دور (مطالعه موردی: سیل فروردین ۹۸ شهرستان آق قلا)
چکیده فارسی مقاله رشد سکونتگاه­ ها و افزایش فعالیت­های انسانی در دشت­ های سیلابی به ویژه حاشیه رودخانه ­ها و مکان­های مستعد سیل، میزان خسارت ناشی از این مخاطره را افزایش داده است. از این رو تعیین گستره سیلاب در راستای برنامه­ ریزی­ های کاهش خطر، آمادگی و پاسخ و بازیابی و بازتوانی پس از این مخاطره از اهمیت بسزایی برخوردار است. در مطالعه حاضر از الگوریتم­ های متداول یادگیری ماشین و طبقه­ بندی تصاویر سنتینل2 جهت تولید نقشه ­های پوشش اراضی، آشکارسازی پهنه­ های سیلابی و تعیین مساحت اراضی تحت خسارت سیلاب فرودین1398 شهرستان آق­ قلا استفاده شد. همچنین به منظور بررسی و افزایش دقت الگوریتم­ ها، سه شاخص طیفی نرمال شده پوشش گیاهی(NDVI)، پهنه ­های آبی(MNDWI) و اراضی ساخته شده (NDBI) با تصاویر مورد استفاده ترکیب شدند. پارامترهای مختلف تنظیم هر یک از الگوریتم­ ها به منظور تعیین تأثیر آن­ها بر دقت طبقه­ بندی و جلوگیری از کسب نتایج خوشبینانه ناشی از همبستگی مکانی میان نمونه­ های آموزشی و آزمایشی، با روش اعتبارسنجی متقابل مکانی ارزیابی شدند. نتایج نشان داد که ترکیب شاخص­ های طیفی منجر به افزایش دقت کلی الگوریتم­ ها شده و به منظور تولید نقشه­ های پوشش اراضی، الگوریتم جنگل تصادفی با دقت 83.08 درصد بدلیل استفاده از روش یادگیری جمعی از دقت و تعمیم­ پذیری بالاتری نسبت به سایر الگوریتم­ های ماشین بردار پشتیبان و شبکه عصبی با دقت به ترتیب 79.11 و75.44 درصد برخوردار است. پس از مشخص شدن دقیق­ ترین الگوریتم، نقشه پهنه­ های سیلابی با استفاده از الگوریتم جنگل تصادفی در دو کلاس اراضی آبی و غیر آبی تولید گردید و دقت کلی الگوریتم در بهینه ­ترین پارامترها و با ترکیب شاخص طیفی(MNDWI) 93.40 درصد بدست آمد. سپس با همپوشانی نقشه ­های پوشش اراضی و پهنه­ های سیلابی، سطح اراضی ساخته شده و اراضی زراعی و فضاهای سبز تحت خسارت سیلاب به ترتیب 4.2008 و 41.0772 کیلومتر مربع برآورد گردید.
 
کلیدواژه‌های فارسی مقاله آشکارسازی پهنه سیلاب، الگوریتم جنگل تصادفی، الگوریتم ماشین بردار پشتیبان، الگوریتم شبکه عصبی پرسپترون چند لایه، روش اعتبارسنجی متقابل مکانی، سنجش از دور.
عنوان انگلیسی Detection of flood zones using machine learning algorithms and remote sensing to determine the area of land under flood damage (case study: March 2019 flood in Aqqla city)
چکیده انگلیسی مقاله The growth of settlements and the increase of human activities in the floodplains, especially the banks of rivers and flood-prone places, have increased the amount of capital caused by this risk. Therefore, it is very important to determine the extent of the watershed in order to increase risk reduction planning, preparedness and response and reopening of this risk. The present study uses the common pattern of the machine and the classification of Sentinel 2 images to produce land cover maps, in order to construct sandy areas and determine land issues affected by the flood of March 2018 in Aqqla city. Also, in order to check and increase the accuracy of the algorithms, three software indices of vegetation cover (NDVI), water areas (MNDWI) and built-up land (NDBI) were used using images. The different sets of setting of each algorithm were evaluated by cross-validation method in order to determine their effect on the accuracy of the results and prevent the optimistic acquisition of spatial correlation from the training and test samples. The results show that the combination of different indices in order to increase the overall accuracy of the algorithms and to produce land cover maps, the forest algorithm is used with an accuracy of 83.08% due to the use of the collection method of higher accuracy and generalizability than compared to. Other algorithms of support vector machine and neural network with accuracy of 79.11% and 75.44% of attention respectively. After determining the most accurate algorithm, the map of flood zones was produced using the forest algorithm in two classes of irrigated and non-irrigated lands, and the overall accuracy of the algorithm in the most optimal models and by combining vegetation indices (MNDWI) was 93.40%. Then, with overlapping maps of land cover and flood plains, the surface of built-up land, agricultural land and green space covered by flood was 4.2008 and 41.0772 square kilometers, respectively.
 
کلیدواژه‌های انگلیسی مقاله Detection of the flood zone, Random Forest, Support Vector Machine, multilayer Perceptron Neural Network, Spatial Cross Validation Method, Remote Sensing.
نویسندگان مقاله امید اشک ریز | Omid Ashkriz
-پژوهشکده سوانح طبیعی

فاطمه فلاحتی | Fatemeh Falahati


امیر حسین گرکانی | Amir Garakani


نشانی اینترنتی http://jsaeh.khu.ac.ir/browse.php?a_code=A-10-1481-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات